Видеокурсы, видеоуроки, обучающие видео, тренинги

Профессия Data Scientist

0

Изучив курс «Профессия Data Scientist», Вы станете специалистом по анализу данных, алгоритмам машинного обучения и нейросетям, сможете построить карьеру в крупной технологической компании — в России или за рубежом.

1,5 года стажа в Data Science в ваше резюме. 2 специальности в одной программе. Обучение на реальных данных. Трудоустройство после обучения.

Вы научитесь:

— Программировать на Python.
— Визуализировать данные.
— Работать с библиотеками и базами данных.
— Программировать на R.
— Применять нейронные сети для решения реальных задач.
— Создавать рекомендательные системы.

Программа курса «Профессия Data Scientist» состоит из 94 тематических модулей и 2 бонусных курса:

Введение в анализ данных и машинное обучение

1. Аналитика. Начальный уровень

— Введение в Data Science.
— Введение в Python.
— Основы Python: установка PyCharm.
— Основы Python: базовые структуры данных.
— Основы Python: циклы и условия.
— Основы Python: функции.
— Мастер-класс: воронки.
— Основы Python: классы и объекты.
— Основы Python: исключения.
— Библиотека NumPy: методы анализа массивов.
— Библиотека NumPy: способы преобразования массивов.
— Библиотека pandas: индексация и выбор данных.
— Библиотека pandas: применение функций, группировка, сортировка.
— Визуализация данных с помощью matplotlib.
— Мастер-класс: разведочный анализ (EDA).
— Курсовая работа. Подготовка аналитического отчёта на основе имеющихся данных в качестве помощи продюсерам образовательных программ эффективно выстраивать стратегию по обновлению и улучшению курсов.
— Чтение и запись данных: CSV, HTML, XML, XLSX.
— Основы SQL.
— Чтение и запись данных: JSON, HDF5, Работа с БД: SQLite3, postgreSQL, MongoDB.
— Работа со строками.
— Курсовая работа. Часть 1. Подготовка аналитического отчёта для HR-отдела. На основе аналитики необходимо составить рекомендации для отдела кадров по стратегии набора персонала и взаимодействию с сотрудниками.
— Курсовая работа. Часть 2. подготовка аналитического отчёта для SMM-отдела компании Skillbox на основе паблика Skillbox «ВКонтакте».

2. Статистика и теория вероятностей

3. Основы математики для Data Science

— Базовые математические объекты и SymPy. Дроби и преобразования.
— Базовые математические объекты и SymPy. Функции и дополнительные объекты.
— Функции одной переменной, их свойства и графики.
— Интерполяция и полиномы: квадратичные и кубические функции.
— Аппроксимация и преобразование функций: сдвиги, растяжения, сжатия.
— Аппроксимация и работа с производными.
— Функции нескольких переменных, их свойства и графики.
— Частные производные функции нескольких переменных.
— Векторы и матрицы. Градиент.
— Линейная регрессия и системы линейных уравнений.
— Разложение матриц. Собственные векторы и значения.

4. Машинное обучение. Начальный уровень

— Основные концепции Machine Learning (ML).
— Жизненный цикл ML-проекта.
— Регрессия: метрики качества, преобразование входных данных.
— Регрессия: регуляризация и градиентный спуск.
— Классификация: kNN, наивный байесовский классификатор, деревья решений.
— Классификация: метрики качества классификации и многоклассовая классификация.
— Кластеризация.
— Дополнительные техники: понижение размерности.
— Дополнительные техники: бустинг и стекинг.
— Знакомство с Kaggle.
— Курсовая работа. Проанализировать данные телекоммуникационной компании и спрогнозировать отток пользователей на основе демографических характеристик, услуг, которыми они пользуются, длительности пользования услугами, метода и размера оплаты.

Специализация

1. Аналитика. Средний уровень

— Язык программирования R: базовые операции и структуры данных.
— Язык программирования R: циклы и функции.
— Язык программирования R: анализ данных и их визуализация.
— Создание аналитических панелей (Dashboard) в R.
— A/B-тестирование: объем выборки и построение доверительных интервалов.
— A/B-тестирование: статистические гипотезы и алгоритмы их проверки (Bootstrap и статистический тест).
— Мастер-класс: A/B-тестирование.
— Performance metrics.
— Мастер-класс: модели атрибуции прибыли.
— Интерактивная визуализация данных с помощью Plotly.

2. Машинное обучение. Средний уровень

— Введение в нейронные сети.
— Обучение нейронных сетей.
— Нейронные сети на практике.
— Свёрточные нейросети для задачи классификации изображений: введение в свёртки (многоканальные свёртки, рецептивное поле).
— Свёрточные нейросети для задачи классификации изображений: продвинутые операции со свёрткой (архитектуры сетей VGG и ResNet, задача Transfer Learning для свёрточных сетей).
— Семантическая сегментация: слабая локализация и полносвёрточные нейросети (FCN).
— Семантическая сегментация: продвинутые архитектуры FCN для семантической сегментации.
— Детектирование объектов. Задачи классификации и локализации.
— Детектирование объектов. Анализ и реализация R-CNN-архитектуры.
— Детектирование объектов. Разбор популярных архитектур (Fast/Faster R-CNN, YOLO, SSD) и знакомство с TensorFlow Object Detection API.
— От дискриминативных моделей к генеративным. Style transfer.
— Генеративные состязательные сети.
— Введение в NLP.
— NLP на нейросетях. Рекуррентные нейросети, классификация текстов.
— NLP на нейросетях. Языковые модели, Attention, Transformer.
— Обучение с подкреплением. Q-Learning.
— Обучение с подкреплением. Deep Q-Learning.
— Ускорение и оптимизация нейронных сетей.
— Внедрение DL моделей в production.
— Введение в рекомендательные системы и задачи ранжирования.
— Современные подходы к построению рекомендательных систем.

Бонусные курсы

1. Универсальные знания программиста

— Как стать первоклассным программистом?
— Вёрстка email-рассылок. Советы на реальных примерах.
— The state of soft skills.
— Как мы создавали карту развития для разработчиков?
— Как общаться по email и эффективно работать с почтой?
— Повышение своей эффективности.
— Спор о первом языке программирования.
— Саморазвитие: как я не усидел на двух стульях и нашёл третий.
— Data-driven-подход к продуктивности — инсайты из данных миллиона людей.
— Протокол HTTP.
— Введение в алгоритмы.

2. Английский для IT-специалистов

— IT Resume and CV.
— Job interview: questions and answers.
— Teamwork.
— Workplace communication.
— Business letter.
— Software development.
— System concept development and SRS.
— Design.
— Development and Testing.
— Deployment and Maintenance.

Дипломные проекты

1. Рекомендательная система для онлайн-гипермаркета Instacart.

2. Система по распознаванию эмоций.

После обучения вы получите диплом об успешном прохождение курса «Профессия Data Scientist», который станет дополнительным аргументом при устройстве на работу.

Перейти на страницу курса →


Оставьте ответ

Ваш электронный адрес не будет опубликован.

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.